論文の概要: PerceptFence: Content-Mediation Architecture and Deterministic Coverage for Screen-Share AI Assistants
- arxiv url: http://arxiv.org/abs/2609.34027v1
- Date: Sun, 27 Sep 2026 23:44:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-04 07:40:08.27615
- Title: PerceptFence: Content-Mediation Architecture and Deterministic Coverage for Screen-Share AI Assistants
- Title（参考訳）: PerceptFence: スクリーンシェアAIアシスタントのコンテンツ仲介アーキテクチャと決定論的カバレッジ
- Abstract要約: ライブスクリーン共有AIアシスタントは、生の画面と音声ストリームを観察するが、ユーザはアシスタントが観察、保持、開示する可能性のあるものに対して実行時コントロールをほとんど持たない。
本稿では、キャプチャ、メモリ、モデル応答間のコンテンツ層仲介アーキテクチャであるPerceptFenceを紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Live screen-share AI assistants observe raw screen and speech streams, but users have little runtime control over what an assistant may observe, retain, or disclose. Prompt-level privacy settings are insufficient because sensitive content enters through the capture stream. We present PerceptFence, a content-layer mediation architecture between capture, memory, and model responses, with a deterministic synthetic-fixture scaffold; the artifact omits live capture, category inference, authenticated re-consent, cross-session state, and an external model adapter. On 9,600 protocol-documented adversarial strings scored by a separately implemented exposure oracle, PerceptFence neutralises 0.828 of digit-PII payloads on the 5 seeds both systems run, versus 0.183 for Microsoft Presidio; outside that family Presidio leads 0.238 to 0.154, so the overall 0.398 to 0.260 comparison is only indicative. We then evaluate the path a deployed assistant uses: 480 synthetic developer-support screens rendered by Chrome, degraded, and read by OCR, with rules frozen before testing and three screen types held out. PerceptFence neutralises 889 of 968 OCR-surviving secrets and PII values (0.918; Wilson 95% 0.899-0.934) against 0.581 for Presidio and 0.179 for gitleaks, and 0.974 on the held-out screen types, at a measured cost of 0.763 task-token retention on those types. The contribution is a documented mediation architecture and an evaluation method with explicit coverage boundaries, not a claim of live deployment, formal privacy, novel redaction primitives, or general model robustness.
- Abstract（参考訳）: ライブスクリーン共有AIアシスタントは、生の画面と音声ストリームを観察するが、ユーザはアシスタントが観察、保持、開示する可能性のあるものに対して実行時コントロールをほとんど持たない。
機密性の高いコンテンツがキャプチャストリームを通過するため、プロンプトレベルのプライバシ設定は不十分です。
本稿では, キャプチャ, メモリ, モデル応答間のコンテンツ層調停アーキテクチャであるPerceptFenceについて, 決定論的合成固定スキャフォールドを用いて, ライブキャプチャ, カテゴリ推論, 認証された再コンテンツ, クロスセッション状態, 外部モデルアダプタについて述べる。
9,600のプロトコル文書化された反対文字列に対して、PerceptFenceは両方のシステムで実行される5つのシードの桁-PIIペイロードの0.828を中和するが、Microsoft Presidioは0.183である。
次に、デプロイされたアシスタントが使用するパスを評価します。Chromeによってレンダリングされ、分解され、OCRによって読み込まれる480の合成開発者サポートスクリーン。
PerceptFenceは、Presidioの0.581とgitleaksの0.179に対して、968 OCR生存シークレットとPII値(0.918、Wilson 95% 0.899-0.934)の889を、それらのタイプに対して0.763タスクトークン保持の計測コストで中和する。
このコントリビューションは、ドキュメント化された仲介アーキテクチャと、明示的なカバレッジ境界を持つ評価方法であり、ライブデプロイメント、正式なプライバシ、新しいリアクションプリミティブ、あるいは一般的なモデルロバストネスのクレームではない。
関連論文リスト
- Offline Reinforcement Learning for Distribution-Grid Protection [42.05746375597851]
我々は,CIGRE中電圧ネットワークの静的軌跡からの線選択的トリップについて検討した。
畳み込みQネットワークは、因果電圧電流ファサーおよび見かけインピーダンス特徴を受信する。
その結果,密度予測性能と終端保護挙動がモデルランキングに影響を及ぼす可能性が示唆された。
論文 参考訳（メタデータ） (2026-09-21T14:49:04Z) - What Survives on Real Drawings: Active Sampling, Connectome Wiring, and Matched Baselines in Architectural Document Vision [0.0]
ハエ視覚系のコネクトーム制約されたモデルは、所定の動きによって建築図面上を駆動することができる。
我々は、同じ721光受容体サンプルを見ることができる情報マッチングベースラインと比較する。
クリーンな合成データでは、凍結したモデルが転送されるが、タスクトレーニングに負ける。
論文 参考訳（メタデータ） (2026-09-21T13:30:30Z) - CUSTOS: Toward Forensic-Ready Zero Trust at the Capture-Containment Boundary [1.1458853556386797]
CUSTOSは、法医学的管理ポイント(FMP)を中心にした、法医学的なZT参照アーキテクチャである。
常時オンの判定記録は、ゲートウェイ上で1.9～3.0%のスループットコストで取得され、ハッシュチェーンされる。
以上の結果から, 鑑識対応型ZTは, 常にオンの床と有界な反応性キャプチャの両方を必要とすることが明らかとなった。
論文 参考訳（メタデータ） (2026-08-17T19:17:15Z) - Activity Frames: Deterministic Screen-Activity Compilation for Agent Memory and Replay [0.0]
我々は、受動的にキャプチャされたスクリーンアクティビティを決定論的ゼロモデルパイプラインでエージェントメモリにコンパイルする。
ローカルなキャプチャストリームを、タイプされたアクティビティフレーム、アプリケーション、サイト、タイミング、入力ボリューム、エビデンスポインターを生の行に戻す境界エピソードに分割する。
あるプロのシングルユーザーコーパスの51日間で128,756フレームを消費すると、コンパイラは生のキャプチャの日数を68ミリ秒で86倍小さくする。
論文 参考訳（メタデータ） (2026-08-06T09:17:43Z) - SPARE: Structural Parameter-Free Affinity Regularization for Flow Matching [30.43836162456455]
内部表現の正規化は効果的な加速器として現れているが、既存の手法は相補的なコストで2つのファミリーに分かれている。
構造について提案する。
Free Affinity Regularization (SPARE) は、中間トークンのペアの親和性とクリーンな潜在性の親和性とを一致させる正規化器である。
ImageNetでは、400Kレートの予算でSiTバックボーンと$256の256$で、SPAREはエンコーダ、ヘッド、パラメータを追加せず、トレーニングメモリはわずか0.08GBである。
論文 参考訳（メタデータ） (2026-08-03T09:50:51Z) - Beyond Accuracy: Auditing Spatial Provenance in Visual Token Pruning for OCR-Critical MLLM Inference [22.335515110971475]
ビジュアルトーケンプルーニングは、一定保持予算における応答品質によって判断される。
私たちはこの盲点を、幾何学的トークン・オリジンの証明によってカップルが行動に答えるエビデンスリスク監査にします。
目的検証ポイントがタスク汎用圧縮を含まないことを示す。
論文 参考訳（メタデータ） (2026-07-29T13:45:31Z) - Repurposing Backdoors for Good: Ephemeral Intrinsic Proofs for Verifiable Aggregation in Cross-silo Federated Learning [30.440611659881494]
暗号証明からtextitIntrinsic Proofs へ移行する軽量アーキテクチャを提案する。
モデルパラメータに直接検証信号を埋め込むために、カタストロフィックフォーッティングを利用する。
我々の手法は、暗号ベースラインと比較して、ResNet-18で1000ドル以上のスピードアップを実現し、大規模モデルに効果的にスケールする。
論文 参考訳（メタデータ） (2026-03-11T12:04:18Z) - FFP-300K: Scaling First-Frame Propagation for Generalizable Video Editing [97.35186681023025]
FFP-300Kは、720p解像度と81フレームの高忠実度ビデオペアの大規模データセットである。
本稿では,第1フレームの外観維持とソース映像の動作保存の緊張を解消する,真の誘導不要なFFPのための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-05T01:46:22Z) - Impact of Labeling Inaccuracy and Image Noise on Tooth Segmentation in Panoramic Radiographs using Federated, Centralized and Local Learning [46.232038247686745]
フェデレートラーニング(FL)は、歯科診断AIにおけるプライバシー制約、不均一なデータ品質、一貫性のないラベル付けを緩和する。
複数のデータ破損シナリオを対象としたパノラマX線撮影において,FLと集中学習(CL)と局所学習(LL)を比較した。
論文 参考訳（メタデータ） (2025-09-08T11:07:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。